21
membandingkan nilai fitness-nya. Sebuah representasi algoritma genetika yang efektif dan nilai fitness yang bermakna adalah kunci keberhasilan dalam aplikasi
algoritma genetika.
Untuk memahami cara kerja GA, berikut ini beberapa istilah yang harus diketahui terlebih dahulu [17]:
a. Individu
: representasi solusi dari permasalahan b.
Gen : variabel dalam solusi
c. Populasi
: kumpulan dari individu dalam jumlah tertentu d.
Generasi : siklus proses evolusi
e. Fitness
: nilai yang menyatakan keoptimalan solusi Proses GA untuk mencari solusi adalah sebagai berikut [2, 17]:
1. Tahap penyandian encoding, yaitu menyandikan gen dari individu. Gen
dapat dikodekan kedalam tiga bentuk, namun yang digunakan pada penelitian ini adalah kode bilangan real :
a. kode biner bilangan 0 dan 1
contoh : 3 variabel X1,X2,X3 dikodekan kedalam individu yang terdiri dari 3 gen yaitu X1001, X2010 dan X3101.
b. kode bilangan real dimana nilai gen berada pada interval 0 sampai 1
contoh : 3 variabel X1,X2,X3 dikodekan ke dalam individu yang terdiri dari 3 gen yaitu X10,5392, X20,6489 dan X30,1642.
c. kode diskrit desimal : nilai gen berupa bilangan bulangan bulat dalam
interval 0 sampai 9
22
contoh : 3 variabel X1,X2,X3 dikodekan kedalam individu yang terdiri dari 9 gen, tiap-tiap variabel dikodekan kedalam 3 gen yaitu X1212, X2135 dan
X3 439. 2.
Membentuk populasi awal Untuk membentuk populasi awal, kita harus menentukan jumlah individu
sebanyak N, kemudian membentuk populasi awal yang didalamnya terdapat N individu yang dengan gen didalamnya dipilih secara acak random.
3. Memformulasikan fungsi objektif
Dalam mencari individu terbaik solusi, maka tiap individu di dalam populasi akan dievaluasi melalui fungsi objektif. Setelah dievaluasi dengan
fungsi objektif, maka tiap individu akan memiliki nilai fitness yang menyatakan kemampuan individu untuk bertahan hidup.
4. Elitisme
Elitisme adalah proses penyalinan individu yang memiliki nilai fitness terbaik pada satu proses generasi untuk mencegah hilang atau rusaknya individu
tersebut pada saat proses mutasi dan kawin silang. 5.
Pindah silang crossover Pindah silang adalah proses memasangkan dua individu sebagai induk untuk
mendapatkan anak. pindah silang yang digunakan pada penelitian ini adalah metode “pindah silang seragam”.
6. Mutasi
Mutasi adalah proses mengubah semua nilai gen yang terdapat di dalam individu, dengan menggunakan indeks probabilitas mutasi. Pada penelitian
ini metode mutasi yang digunakan adalah metode “mutasi seragam”.
23
Langkah-langkah nomor 1-6 diulang sampai jumlah generasi tertentu dan hasil yang terbaik sudah diperoleh. Gambar 2.17 menunjukkan diagram alir dari Genetic
Algorithm [18].
Gambar 2.17 Diagram alir Genetic Algorithm [18]
BAB 3
1
BAB 1 PENDAHULUAN
1.1 Latar Belakang